现场数据采集与标注：训练集怎么构成才不出偏差

当判定用到深度学习时，训练数据的质量比数量重要得多，而数据的问题通常不是「不够多」，是「偏」。集中在一两天采完、集中在一个班次、只在一台设备上、由同一个人摆放的工件——这样训出来的模型会精准地记住那几天的条件，一旦换批次、换班次、换人，表现就掉下来。要避免这一点，采集阶段就必须分层，而不是采完再想办法。同理，标注阶段最大的风险也不是标错，而是标准不统一：同一个人前天标成合格、昨天标成不合格，训练集里就多了一批自相矛盾的样本，模型只能学到噪声。

采集阶段要覆盖的五个维度

• 批次：不同供应商、不同到货时间的物料外观会有差异，至少要覆盖常见的几类来料状态。
• 班次：早中晚三个班次的环境光、设备温度、人员熟练度都不同，采集不能只挑一个班。
• 光照条件：车间照明在一天中的变化、设备门开合、周边设备的作业灯，都会进入画面。
• 工位与人员：同一动作在不同工位、不同人手上的表现不同，尤其是摆放姿态。
• 工况：空载、满载、换型切换过程中、以及设备刚启动与长时间运行后，图像特征会有差别。

这五个维度不必都采到同等数量，但都必须有代表。一个实用的做法是先按维度设计采集排期表，把时间和班次排开，再执行采集——比起「有空就拍」，排期能显著减少偏差。还有一点容易被忽略：采集时就应该把每一张图的元信息记录下来（批次、班次、工位、时刻），否则标注和训练阶段无法按条件分层抽样，也无法在模型表现异常时定位到是哪个条件出了问题。这跟回写字段设计是同一件事的两个阶段。

边界样本：模型的成败往往在这里

边界样本指的是「差一点但实际合格」和「看起来还行但实际不合格」这两类。它们在自然发生的样本里占比很低，但恰恰是误报和漏报的主要来源——模型在这两类的判断上最容易摇摆。因此边界样本不能靠自然采集，要主动挑：从历史返修件里找、从报警记录里找、从老师傅的「这批看着不太对」的经验里找。挑出来之后要单独成组，一部分进训练集，一部分留作验收集，且两者不能重叠。如果边界样本数量确实太少，宁可先把判据收紧一点、明确说明这部分暂不保证，也好过用一个在边界上表现随机的模型去上线。漏报与误报的取舍逻辑，可参考漏报与误报怎么权衡。

标注规则里必须写清的几种情况

「不可判」这个标签很重要，不要省掉。强行要求标注员在不可判的情况下做出二选一，等于往训练集里注入随机噪声，模型会学到「这类图有时对有时错」，最终表现就是在这类图上反复跳变。把不可判单独统计出来还有额外价值：如果不可判的比例很高，说明要么成像条件不够，要么判据本身太模糊，这两件事都应该在方案层面解决，而不是指望模型硬扛。

标注工具与工作量估算

工具方面，分类任务（这张图属于哪一类）的标注成本远低于检测与分割任务。如果判据可以简化为分类，就优先按分类设计——同样的效果，标注工作量可能差好几倍。工作量估算的经验值是：一张图的简单分类标注约数秒，带框选或轮廓的标注约几十秒到数分钟。按这个量级倒推，先明确「需要多少张、每张多贵」，再决定投入多少人力。还要留出复核的工作量，通常按标注量的两三成估算。工具不必一开始就上重型平台，早期的探索阶段用轻量工具、把规则先跑通，比先搭平台更有价值。